Szegedi Tudományegyetem, Természettudományi és Informatikai Kar Természeti Földrajzi és Geoinformatikai Tanszék H-6722 Szeged, Egyetem u. 2-6. PB. 653. Tel.: +36-62 546485 Internet: http://www.geo.u-szeged.hu Email: kovacsf@geo.u-szeged.hu FÉNY-TÉR-KÉP 2015 Aszályindex értékelések, talajnedvesség becslési lehetőségek MODIS műholdképek alapján az SZTE Természeti Földrajzi és Geoinformatikai Tanszéken Kovács F., van Leeuwen B., Blanka V., Ladányi Zs., Tobak Z., Gulácsi A., Szécsényi Á. TÁMOP-4.2.1.D-15/1/KONV-2015-0002 TÁMOP-4.2.2.D-15/1/KONV-2015-0010 Bolyai János Kutatási Ösztöndíj
Szegedi Tudományegyetem, Természettudományi és Informatikai Kar Természeti Földrajzi és Geoinformatikai Tanszék H-6722 Szeged, Egyetem u. 2-6. PB. 653. Tel.: +36-62 546485 Internet: http://www.geo.u-szeged.hu Email: kovacsf@geo.u-szeged.hu Aszály Nehéz definiálni, mikor kezdődik? mikor van vége? nehéz számszerűsíteni. Inkább relatív állapot, régiónként, élőlényenként külön értelmezhető. National Drought Mitigation Center alapján Aszályok különböznek egymástól intenzitásban, időtartamban, kiterjedésben.
1901-2013: +1,11 C, DE! Alföldön 30 év alatt a nyári melegedés +2,2 C! Területi tervezésnek már most készülnie kell! KLÍMAVÁLTOZÁS 1901-től a tavaszi és őszi száraz időszakok egyre tartósabbak. (napi csapadék < 1 mm) Alföldi területeken a hőhullámos érték 2 napról több, mint 19 napra nőtt. Az aszály előfordulási gyakorisága megnőtt, gyakrabban fordulnak elő extrém aszályok. +1,1-1,9 C-al nő az átlaghőmérséklet. Nyáron 2,6 C?! A hatások ritkán érvényesülnek a fejlesztési elképzelésekben, pedig a 2050 Nyári, őszi száraz időszakok növekednek. Csapadékcsökkenés bizonytalanabb, de a növekvő párolgás miatt fokozódik a vízigény. Bartholy et al. 2011, Blanka et al. 2014, Lakatos et al. 2014
Az aszály tér- és időbeli változásainak a nyomon követése, Ingyen Nagy időfelbontásban Valós időben Kész termék is Nagy területekre (regionális léptékben) MODIS alapú aszályértékelés MOD09A1 (version 5) Surface Reflectance 8-Day L3 Global 500m SIN Grid MOD13Q1 (version 5) Vegetation Indices 16-Day L3 Global 250m MOD13A1 (version 5) Vegetation Indices 16-Day L3 Global 500m MOD11A (version 5) Land Surface Temperature and Emissivity Daily L3 Global 1 km SIN Grid
Pl. a MOD09A1 esetében State Flags (állapotsáv): 0-1. bit: Cloud State (felhőállapot) (=0) 2. bit: Cloud Shadow (felhőárnyék) (=0) Quality Control (minőségellenőrző sáv): 2-5. bit: az első sáv adatminősége (=0) 6-9. bit: a második sáv adatminősége (=0) 26-29. bit: a hetedik sáv adatminősége (=0) Minőség, felhőborítás, felhőárnyék maszk kinyerése különböző programokkal. Pontatlan képpontok kizárása + transzformáció + mintaterület Többlépcsős folyamat: QGIS 2.4 (Python 2.7.5), GDAL 1.11.0, MODIS Reprojection Tool, LDOPE Tools 1.7. programokkal I. TALAJNEDVESSÉG INDEX T s / VI MODIS VI és LST műholdképek alapján adott vegetációs osztályban a felszínhőmérséklet és a talajnedvesség között lineáris összefüggést feltételez
ASZÁLYINDEX NDDI = (NDVI NDWI) / (NDVI + NDWI) NDVI = (NIR 858 nm R 645 nm ) / (NIR 858 nm + R 645 nm ), NDWI = (NIR 858 nm SWIR 2130 nm ) / (NIR 858 nm + SWIR 2130 nm ), R: vörös, NIR: közeli infravörös, SWIR: közepes infravörös. Vízfelület aszályosnak osztályozódhat Szélsőséges kiugró értékek nehezítik a statisztikai feldolgozást Csökkenő víztartalomnál nő a reflektancia DDI = DVI DWI DVI = NIR 858 nm R 645 nm, DWI = NIR 858 nm SWIR 2130 nm Síkvidék: nem gond ha nem normalizál EVI = G ((NIR R) / (NIR+C 1 R+C 2 kék 469 nm +L)) L: lombozat háttér igazítás; C 1, C 2 : aeroszol-ellenállás együtthatók G: erősítés vagy skálázás NDVI korrekciós tényezőkkel BPI anomaly = (X t X átlag ) / σ X t : éves biomassza produkció; X átlag : X t átlaga; σ: szórás
Automatikus MODIS adat feldolgozás SAGA GIS 2.1, GRASS GIS 6.4.3, R statisztikai szoftver, Modis Calculate Mean Tool, ArcGIS (Python) Automatikus letöltés Spektrális index számítás Alapstatisztika, átlagkép készítés, hisztogramm Diagram rajzolás Fenológiai elemzés Aszály számítás Referencia-adat kapcsolat
DWI-DVI és NDWI-NDVI KAPCSOLAT A növényzet klorofill- és nedvességtartalma szorosan együtt mozog. A kapcsolat validálja a vízindexeket; DWI és NDWI alkalmas a vegetáció aszályra adott válaszának vizsgálatára. Differenciált vegetáció- és vízindex kapcsolata a júliusi időpontban A sávok értékei meg vannak szorozva 10.000-el
DDI ÉS NDWI ALAPÚ ASZÁLYÉRTÉKELÉS (2000-2014) Július 1-15. alkalmas; a növény csapadékigényének fontos szerepe miatt, DE aratás után a szántóföldek aszályosnak osztályozódhatnak; ezért egy júniusi és egy júliusi időpont vizsgálata. ASZÁLYKATEGÓRIÁK ASZÁLYOS ÉV, ha a DDI középérték meghaladja a 15 éves átlagértéket (DDI jún. =505,67; DDI júl. =520,95). Jún. szerint: 2000-2003 és 2009 Júl. szerint: 2000-2003, 2007, 2009, 2012, 2014 Klaszteranalízis alapján jól elkülönülő osztályok (8 db) ASZÁLYOS OSZTÁLY, ha DDI osztályközepe meghaladja az aszályos évek átlagát (DDI jún. =578,86; DDI júl. =586,25). Osztályközepek alapján 4 aszálykategória különíthető el.
kihagyva Vízindexek a vegetációindexeknél érzékenyebbek az aszályra. A DDI és NDWI szerinti eredmények jól egybevágnak. II III I A legnagyobb NDWI DDI A legkisebb NDWI DDI Aszállyal érintett területek nagysága a júliusi időpontokban (DDI) 42450 km 2 7670 km 2 7450 km 2
Szegedi Tudományegyetem, Természettudományi és Informatikai Kar Természeti Földrajzi és Geoinformatikai Tanszék H-6722 Szeged, Egyetem u. 2-6. PB. 653. Tel.: +36-62 546485 Internet: http://www.geo.u-szeged.hu Email: kovacsf@geo.u-szeged.hu Aszályos területek földrajzi eloszlása a DDI és NDWI alapján (július)
Eredmények összevetése a referenciaadatokkal (Nemzeti aszálystratégia, KSH adatok alapján) Pi * wi Az indexértékek korrelációs együtthatói (r 2 ) a júliusi adatsor szerint PaDI 0 aug i apr Ti sept i oct 5*100!!! DDI, NDDI PAI: mon. növ. trend VI, WI PAI: mon. csökk. trend DDI, NDDI termés: ford. arányosság DDI, NDDI öntözővíz: egy. arányos Júniusi adatsorban a legjobbak : DDI és országos PAI között r 2 =0,54 NDDI és alföldi PAI között r 2 =0,52 vs. vs. vs. vs. CLC2012 adatbázis 211" Normalizált differenciált indexek kapcsolata erősebb a statisztikai adatokkal, mint a különbségindexeké. Július meghatározóbb a terméshozam kialakításában.
A DDI PAI, ill. NDWI PAI erős lineáris összefüggés alapján DDI=+39,543 PAI+349,980 PAI=+0,022375 DDI 7,103061 MODIS alapokon, kielégítő pontossággal 8 napos PAI-értékeket tudunk meghatározni! NDWI= 0,025268 PAI+0,558166 PAI= 36,082 NDWI+20,697 Geometriai felbontás lényegesen jobb, mint a meteorológiai állomásokon a- lapuló PAI.
Dél-Alföld és Vajdaság BPI anomaly PaDI Különböző felszínfedettségek PaDI és biomassza produkció értékek együtt futnak (évről-évre mást termesztő szántókon is).
Dél-Alföld és Vajdaság Automatikus SMI képelőállítás. TALAJNEDVESSÉG INDEX képek A módszer lineáris összefüggést feltételez az LST és a talajnedvesség között egy F r osztályon belül. F r a növényborítás aránya. F r ~N 2 N = (NDVI-NDVI min )/(NDVI max -NDVI min ) N térképből F r térkép: altérképek létrehozása növekvő vegetációs besorolással. Minden F r térképnél: az LST min 1-es SMI index értéket kap, az LST max 0-át; = 10 SMI térkép. SMI térképeket egyesítve az adott pillanatra vonatkozó talajnedvességi térkép kapható!
Talajnedvesség képek Kalibráció mérőállomás hálózattal Validáció ASCAT adattal Hosszú távú talajnedvesség értékek MODIS LST felbontással (1km 2 ) nehéz a terepi mérésekkel történő összevetés. Mérőpontok reprezentatív volta pár száz m 2 -re korlátozódik és 10 cm mélységben mér. Aszály modellezés
Szegedi Tudományegyetem, Természettudományi és Informatikai Kar Természeti Földrajzi és Geoinformatikai Tanszék H-6722 Szeged, Egyetem u. 2-6. PB. 653. Tel.: +36-62 546485 Internet: http://www.geo.u-szeged.hu Email: kovacsf@geo.u-szeged.hu FÉNY-TÉR-KÉP 2015 Gyöngyös, 2015. október 28. Köszönjük! A tanulmány készítését támogatták: TÁMOP-4.2.1.D-15/1/KONV-2015-0002 TÁMOP-4.2.2.D-15/1/KONV-2015-0010 Bolyai János Kutatási Ösztöndíj